hello扩借，又是周一，新的開始癞志，今天是二月二十八日往枷，對于臺灣同胞來說是一個(gè)沉重的日子框产，時(shí)間很快凄杯，快到我們毫無感覺就到了30歲，而立之年秉宿，這一篇我們進(jìn)行一下匯總戒突，對單細(xì)胞空間聯(lián)合分析的軟件進(jìn)行一下系統(tǒng)性的總結(jié)，同時(shí)參考了一篇文章描睦，A comprehensive comparison on cell type composition inference for spatial transcriptomics data,是一篇綜述文章膊存，好了，開始分享吧。
方法大概就這么多受葛，每種方法都有其算法的特點(diǎn)题涨，我們來一一解讀。
Cell2location
Cell2location 采用分層貝葉斯框架总滩，假設(shè)基因表達(dá)計(jì)數(shù)遵循負(fù)二項(xiàng)分布携栋。 它首先使用外部 scRNAseq 數(shù)據(jù)作為參考來估計(jì)細(xì)胞類型特異性特征。 觀察到的空間表達(dá)計(jì)數(shù)矩陣用負(fù)二項(xiàng)分布建模咳秉，其中基因可用的特定技術(shù)敏感性婉支、基因和位置特定的加性偏移作為平均參數(shù)的一部分包括在內(nèi)。 然后 cell2location 使用變分貝葉斯推理來近似后驗(yàn)分布并相應(yīng)地產(chǎn)生參數(shù)估計(jì) 澜建。
DestVI
使用變分推理 (DestVI) 對空間轉(zhuǎn)錄組學(xué)剖面進(jìn)行反卷積是一種用于 ST 數(shù)據(jù)多分辨率分析的概率方法向挖。 DestVI 通過連續(xù)的潛在變量明確地模擬細(xì)胞類型內(nèi)的變化，而不是將分析限制在細(xì)胞類型的離散視圖中炕舵。這種連續(xù)的細(xì)胞內(nèi)類型變化以及相應(yīng)的細(xì)胞類型特定配置文件是通過條件深度生成模型學(xué)習(xí)的何之，特別是使用解碼器神經(jīng)網(wǎng)絡(luò)的變分推理。在該方案中咽筋，分別為 scRNA-seq (scLVM) 和 ST 數(shù)據(jù) (stLVM) 構(gòu)建了兩個(gè)不同的潛在變量模型 (LVM)溶推。 DestVI 同樣假設(shè)觀察到的轉(zhuǎn)錄本的數(shù)量遵循負(fù)二項(xiàng)分布。 stLVM 使用由 scLVM 訓(xùn)練的解碼器神經(jīng)網(wǎng)絡(luò)奸攻，并使用最大后驗(yàn) (MAP) 推理方案獲得細(xì)胞類型比例蒜危，其中假設(shè)每個(gè)點(diǎn)中觀察到的轉(zhuǎn)錄本的數(shù)量遵循推斷的單細(xì)胞的加權(quán)和負(fù)二項(xiàng)分布。
RCTD
RCTD 最初是為 Slide-seq 數(shù)據(jù)設(shè)計(jì)的睹耐，但它也可以用于其他 ST 數(shù)據(jù)辐赞。 它假設(shè)觀察到的每個(gè)spot的spot-level基因計(jì)數(shù)遵循泊松分布，同時(shí)通過包含基因特異性隨機(jī)效應(yīng)項(xiàng)來解釋平臺效應(yīng)硝训。 RCTD 首先使用外部 scRNA-seq 參考數(shù)據(jù)來估計(jì)每種細(xì)胞類型的平均基因表達(dá)譜响委。 然后通過選擇跨細(xì)胞類型的差異表達(dá) (DE) 基因來執(zhí)行基因過濾新思，并估計(jì)基因特異性平臺效應(yīng)的方差。 將推斷的平臺效應(yīng)插入概率模型以獲得細(xì)胞類型比例的最大似然估計(jì) (MLE)赘风。
STdeconvolve
STdeconvolve 是一種針對 ST 數(shù)據(jù)的無參考和無監(jiān)督細(xì)胞類型反卷積方法夹囚。 STdeconvolve 與其他方法的主要區(qū)別在于 STdeconvolve 可以在不使用外部 scRNA-seq 參考的情況下執(zhí)行細(xì)胞類型反卷積。 該方法建立在潛在狄利克雷分配 (LDA) 的基礎(chǔ)上邀窃，以識別每種細(xì)胞類型的推定轉(zhuǎn)錄譜及其在每個(gè) ST 點(diǎn)中的比例崔兴，其定義為由多項(xiàng)式分布和細(xì)胞類型分布建模的預(yù)定數(shù)量的細(xì)胞類型的混合物是從uniform Dirichlet distribution中得出的。 STdeconvolve 假設(shè)每種細(xì)胞類型都存在高度共表達(dá)的基因蛔翅，并選擇顯著過度分散的基因來告知潛在細(xì)胞類型敲茄。
Stereoscope
Stereoscope 實(shí)現(xiàn)了反卷積目的，同時(shí)使用帶注釋的 scRNA-seq 參考和 ST 數(shù)據(jù)對細(xì)胞類型進(jìn)行空間映射山析。 Stereoscope 還依賴于常用的假設(shè)堰燎，即空間和單細(xì)胞數(shù)據(jù)的計(jì)數(shù)均遵循負(fù)二項(xiàng)分布。 Stereoscope 包含一個(gè)噪聲術(shù)語作為“虛擬”細(xì)胞類型的一種形式笋轨，以解釋不對稱數(shù)據(jù)集秆剪，其中細(xì)胞類型在空間和單細(xì)胞數(shù)據(jù)中沒有完美重疊。 MLE 用于使用 scRNA-seq 參考數(shù)據(jù)估計(jì)細(xì)胞類型特定參數(shù)爵政，MAP 用于推斷 ST 數(shù)據(jù)中的細(xì)胞類型混合仅讽。
SPOTlight
SPOTlight 是一種反卷積算法，它采用非負(fù)矩陣分解 (NMF) 回歸算法以及非負(fù)最小二乘法 (NNLS)钾挟。 在 SPOTlight 中洁灵，執(zhí)行 NMF 以識別 scRNA-seq 參考中特定于細(xì)胞類型的top profile，并執(zhí)行 NNLS 來識別spot top profile掺出，這是反卷積的結(jié)果徽千。 此外，據(jù)報(bào)道汤锨，SPOTlight 在不同的生物場景和具有匹配和外部參考的不同技術(shù)版本中執(zhí)行靈敏且準(zhǔn)確双抽。
DSTG
DSTG 是一種基于相似性的半監(jiān)督圖卷積網(wǎng)絡(luò) (GCN) 模型，可以恢復(fù)每個(gè)點(diǎn)的細(xì)胞類型比例闲礼。 通過利用 scRNA-seq 數(shù)據(jù)牍汹，DSTG 首先通過隨機(jī)匯集從 scRNA-seq 數(shù)據(jù)中選擇的 2 到 8 個(gè)細(xì)胞作為 ST 點(diǎn)，構(gòu)建稱為“偽 ST”的合成 ST 數(shù)據(jù)柬泽。 然后慎菲，為了捕捉點(diǎn)之間的相似性并合并偽 ST 和真實(shí) ST 數(shù)據(jù)，DSTG 通過在典型相關(guān)分析 (CCA) 識別的共享空間中找到相互最近的鄰居來學(xué)習(xí)鏈接圖钧嘶。 半監(jiān)督 GCN 使用偽和真實(shí) ST 數(shù)據(jù)和鏈接圖進(jìn)行訓(xùn)練，可用于預(yù)測真實(shí) ST 數(shù)據(jù)中的細(xì)胞類型比例书幕。
總之篱瞎，許多功能強(qiáng)大的 ST 反卷積工具已經(jīng)專門針對 ST 數(shù)據(jù)集開發(fā)和定制牵素。 這些方法在模擬和真實(shí)數(shù)據(jù)集中都證明了它們的實(shí)用性。 通過了解 ST 數(shù)據(jù)中的細(xì)胞比例變化以及空間信息進(jìn)行下游分析赠幕，我們可以更好地揭示潛在的生物學(xué)機(jī)制，并進(jìn)一步發(fā)現(xiàn)使用 scRNA-seq 數(shù)據(jù)集無法實(shí)現(xiàn)的新發(fā)現(xiàn)局冰。 然而，目前還沒有對這些細(xì)胞去卷積方法進(jìn)行公平和全面的比較。 我們將使用多個(gè)真實(shí)的 ST 數(shù)據(jù)集，包括單細(xì)胞水平分辨率和帶有病理學(xué)家注釋的點(diǎn)級分辨率 ST 數(shù)據(jù)，以系統(tǒng)和客觀地評估這些方法的性能怨绣。
一些比較的分析結(jié)果（作為參考）
簡單看一下比較的結(jié)果
總而言之左冬，沒有一種方法能夠在不同的組織類型中始終優(yōu)于其他方法。在研究中測試的大多數(shù)概率方法，尤其是 Adroit、RCTD、Cell2Location 和 Stereoscope，在整個(gè)組織中都表現(xiàn)出始終如一的高性能。 STdeconvolve 作為唯一的無參考方法，具有識別組織結(jié)構(gòu)和細(xì)胞混合物的能力，但必須仔細(xì)處理細(xì)胞類型映射。徹底評估了各種情況藏雏，包括不同的組織赚瘦、不同的技術(shù)和數(shù)據(jù)分辨率揽咕、不同數(shù)量的單細(xì)胞和斑點(diǎn)蛹头，以及用于分析的基因的數(shù)量和類型旷祸。因此，建議調(diào)查人員首先確定我們評估的一些與他們自己的數(shù)據(jù)最匹配的情景，并在這些情景下選擇表現(xiàn)最佳的方法。
With the use of the appropriately chosen methods and gene sets, we hope the increased accuracy of cell mapping inference will assist in the future downstream analyses
噪聲和高維 ST 數(shù)據(jù)的去噪和降維可以允許更有效的信息提取。我們預(yù)計(jì)細(xì)胞類型反卷積將進(jìn)一步受益于有效去噪和減少 ST 數(shù)據(jù)維度的方法的開發(fā)和進(jìn)步档痪。
生活很好乐纸，有你更好
